В этом примере показано, как создать классификаторы дискриминантного анализа в приложении Classification Learner с помощью fisheriris набор данных. Дискриминантный анализ можно использовать с двумя или более классами в Classification Learner.
В MATLAB ® загрузите fisheriris набор данных.
fishertable = readtable('fisheriris.csv');На вкладке Приложения в группе Машинное обучение и глубокое обучение щелкните Классификатор.
На вкладке «Классификатор» в разделе «Файл» выберите «Создать сеанс» > «Из рабочей области».
В диалоговом окне Создать сессию из рабочей области (New Session from Workspace) выберите таблицу fishertable из списка «Переменная набора данных» (при необходимости). Обратите внимание, что приложение выбрало переменные ответа и предиктора в зависимости от их типа данных. Длина и ширина лепестка и чашелистика являются предикторами, и вид является ответом, который вы хотите классифицировать. В этом примере не изменяйте выбранные значения.
Щелкните Начать сеанс (Start Session).
Classification Learner создает график рассеяния данных.
Используйте график рассеяния для визуализации переменных, которые полезны для прогнозирования отклика. Выберите различные переменные в элементах управления по осям X и Y. Обратите внимание, какие переменные наиболее четко разделяют классы.
Чтобы обучить оба неоптимизируемых классификатора дискриминантного анализа, на вкладке Ученик по классификации (Classification Learner) в разделе Тип модели (Model Type) щелкните стрелку вниз, чтобы развернуть список классификаторов, и в разделе Дискриминантный анализ (Discriminant Analysis) щелкните Все дискриминанты (All Discriminants).
Затем щелкните Поезд (Train).
Совет
При наличии Toolbox™ параллельных вычислений можно одновременно обучить все модели (все дискриминанты), нажав кнопку Использовать параллельные (Use Parallel) в разделе Обучение (Training), прежде чем нажать кнопку Обучить (Train). После нажатия кнопки Обучить открывается диалоговое окно Открытие параллельного пула, которое остается открытым, пока приложение открывает параллельный пул работников. В течение этого времени взаимодействие с программным обеспечением невозможно. После открытия пула приложение одновременно обучает модели.
Модуль Classification Learner обучает одному из вариантов классификации в галерее, линейным и квадратичным дискриминантам и выделяет наилучший балл. Приложение отображает в рамке оценку точности (валидации) лучшей модели.
Выберите модель на панели Модели (Models), чтобы просмотреть результаты. Изучите график рассеяния для обученной модели и попробуйте построить различные предикторы. Неправильно классифицированные точки отображаются как X.
Чтобы проверить точность прогнозов в каждом классе, на вкладке «Ученик по классификации» в разделе «Графики» щелкните «Матрица путаницы» и выберите «Данные проверки». Просмотр матрицы истинного класса и прогнозируемых результатов класса.
Выберите другую модель на панели Модели (Models) для сравнения.
Сведения о сильных сторонах различных типов моделей см. в разделе Дискриминантный анализ.
Выберите лучшую модель на панели Модели (Models) (лучший балл выделен в рамке). Чтобы улучшить модель, попробуйте включить в нее различные элементы. Узнайте, можно ли улучшить модель, удалив элементы с низкой прогнозируемой мощностью.
На вкладке «Классификатор» в разделе «Элементы» выберите «Выбор элементов». В диалоговом окне Выбор элемента (Feature Selection) укажите предикторы, которые необходимо удалить из модели, и нажмите кнопку Обучить (Train), чтобы обучить новую модель с помощью новых опций. Сравните результаты между классификаторами на панели Модели (Models).
Чтобы исследовать элементы для включения или исключения, используйте график параллельных координат. На вкладке «Классификатор» в разделе «Графики» выберите «Параллельные координаты».
Выберите лучшую модель на панели Модели (Models). Чтобы попытаться улучшить модель, попробуйте изменить настройки классификатора. На вкладке «Классификатор» в разделе «Тип модели» нажмите кнопку «Дополнительно». Попробуйте изменить настройку, а затем обучить новую модель, нажав кнопку Обучить (Train). Сведения о параметрах см. в разделе Дискриминантный анализ.
Чтобы экспортировать обученную модель в рабочее пространство, выберите вкладку Ученик по классификации (Classification Learner) и нажмите кнопку Экспортировать модель (Export model). См. раздел Экспорт модели классификации для прогнозирования новых данных.
Чтобы проверить код для обучения этому классификатору, щелкните Создать функцию.
Используйте тот же рабочий процесс для оценки и сравнения других типов классификаторов, которые можно обучить в Classification Learner.
Чтобы попробовать все неоптимизуемые стили модели классификатора, доступные для набора данных:
Щелкните стрелку справа в разделе Тип модели (Model Type), чтобы развернуть список классификаторов.
Щелкните Все (All), затем щелкните Поезд (Train).
Сведения о других типах классификаторов см. в разделе Модели классификации поездов в приложении Classification Learner App.